초록
다변량 시계열 예측은 태양광 발전소의 에너지 출력, 전력 소비, 교통 체증 상황 등 다양한 분야에서 중요한 기계 학습 문제입니다. 이러한 실제 응용 프로그램에서 발생하는 시간적 데이터는 종종 장기적이고 단기적인 패턴의 혼합을 포함하며, 이에 대해 전통적인 접근 방식인 자기 회귀 모델과 가우시안 프로세스가 실패할 수 있습니다. 본 논문에서는 이 미해결된 과제를 해결하기 위해 새로운 딥 러닝 프레임워크인 장단기 시계열 네트워크(Long- and Short-term Time-series network, LSTNet)를 제안합니다. LSTNet은 변수들 사이의 단기적인 국소 의존성 패턴을 추출하고 시계열 트렌드의 장기적인 패턴을 발견하기 위해 컨볼루션 신경망(Convolutional Neural Network, CNN)과 순환 신경망(Recurrent Neural Network, RNN)을 사용합니다. 또한, 우리는 신경망 모델의 스케일 불감성 문제를 해결하기 위해 전통적인 자기 회귀 모델을 활용합니다. 실제 데이터에서 반복되는 복잡한 패턴 혼합에 대한 평가 결과, LSTNet은 여러 최신 기준 방법보다 유의미한 성능 향상을 달성했습니다. 모든 데이터와 실험 코드는 온라인으로 제공됩니다.